使用AI基于电机损伤诊断神经疾病

我们走路的方式很大程度上反映了我们大脑的状态。正常的运动行为表明大脑功能健康，而偏离则表明神经系统疾病造成的损伤。因此，对运动模式的观察和评估是基础研究的一部分，也是非侵入性诊断在临床应用中最重要的工具之一。在计算机科学家Björn Ommer教授的领导下，与来自瑞士的研究人员合作，海德堡大学在这方面开发了一种新的基于计算机的方法。对人体试验人员的研究表明，这种方法能够完全自动识别运动障碍，并通过分析，在人工智能的帮助下提供有关潜在疾病类型的信息。

对于计算机支持的移动分析，通常必须用反射标记或虚拟标记标记的受试者必须应用于评估框架中产生的视频材料。这两种程序都很复杂。此外，必须提前知道具有显眼的运动行为，以便可以进一步检查它。“真正的诊断工具不仅要确认电机障碍，而且能够首先识别它们并正确对它们进行分类，”OMER介绍，在海德堡大学跨学科集团领导计算机愿景集团的计算机愿景集团。

精确地通过他的团队开发的新型诊断方法，并且被称为“使用深度学习的无监督行为分析和放大”（UBAM）。底层算法基于机器学习使用人工神经网络正如海德堡科学家解释的那样，它能够独立且完全自动地识别特征行为和病理偏差。算法决定了身体的一部分直接在视频中突出不同类型的偏差并使其可见，从而影响行为模式，并充当行为模式的放大镜。作为这项工作的一部分，将相关录像材料与其他健康或同样受损的受试者进行比较。运动障碍的治疗进展也可以用这种方法记录和分析。根据Ommer教授的说法，也可以得出关于大脑神经元活动的结论。

UBAM接口的基础是所谓的卷积神经网络，一种神经网络的类型，用于图像识别和图像处理目的。科学家们训练了网络，以识别在不同科目的情况下的类似运动行为，即使它们在外观方面的差异很大。这是可能的，因为人工智能可以区分姿势和外观。除了障碍的识别和量化外，对症状的详细分析也很重要。“要详细研究它们，我们使用生成神经网络，”OMER教授说。“这种方式，我们可以帮助神经科学家和临床医生专注于可能被裸眼忽略的运动行为中的微妙偏差，并通过放大偏差来使它们很容易看到。然后我们可以恰好划分个人案件中的疾病类型。“

研究团队已经能够通过不同的动物模型和与人类患者的研究来证明这种新方法的有效性。除其他外，他们测试了UBAM可以区分健康和受损的运动活动的精度。在他们对主题的出版物中，科学家们在小鼠和人类患者中报告了非常高的检索率。“本体中，我们的研究表明，与传统方法相比，基于人工智能的方法提供了更加细致的结果，努力明显减少，”BjörnOMER强调。

就应用而言，科学家们希望uBAM能同时应用于基础生物医学研究和临床诊断等领域。ob欧宝直播nbaOmmer教授:“当传统方法被证明过于复杂、繁琐或效率不够时，这个界面就可以应用。这可能会使我们更好地理解大脑中的神经元过程，并开发出新的治疗方案。”

除了海德堡大学的研究人员与Ommer教授合作外，来自苏黎世大学和苏黎世大学医院、巴尔格里斯特大学医院和苏黎世神经科学中心的科学家也参与了uBAM接口的开发。这项研究的部分资金来自德国研究基金会、Branco Weiss科学研究协会和瑞士国家基金会。研究结果发表在杂志上自然机器智力。

---

---